提出了一种基于双向长短期记忆(bidirectional long short-term memory, BiLSTM)神经网络的多层岩土环境溶洞三维定量智能识别方法。首先,借鉴浅层地震反射波法原理,建立含有单个无填充球形孔洞的多层岩土结构模型,并计算桩锤激振下地...提出了一种基于双向长短期记忆(bidirectional long short-term memory, BiLSTM)神经网络的多层岩土环境溶洞三维定量智能识别方法。首先,借鉴浅层地震反射波法原理,建立含有单个无填充球形孔洞的多层岩土结构模型,并计算桩锤激振下地表的加速度响应信号;其次,针对不同溶洞工况大量建模,以获取不同工况下的响应信号作为数据集;最后,基于BiLSTM设计了双数据通道分离架构网络模型,实现了对多层岩土环境下不同溶洞工况的定量识别。研究表明,本文所提出方法能够对不同岩土体结构下溶洞的三维位置和直径进行定量识别,且在3 m容差范围内的识别准确率达到了98%以上。展开更多
文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续...文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续梁的仿真应变监测数据验证了以DAEV建立机器学习模型诊断结构损伤的有效性。结果表明,与MPCA特征向量相比,DAEV能更好地表征桥梁状态的变化,以DAEV为输入的机器学习模型损伤识别能力更强;对于早期损伤,以DAEV特征为输入的模型识别准确率比以MPCA特征向量为输入的模型高38%~79%。展开更多
文摘文章在移动主成分分析(moving principal component analysis,MPCA)基础上,提出一种优化的MPCA特征——特征向量差方向角(directional angle of eigenvector variation,DAEV),并将其作为机器学习的输入建立损伤识别模型。利用双跨连续梁的仿真应变监测数据验证了以DAEV建立机器学习模型诊断结构损伤的有效性。结果表明,与MPCA特征向量相比,DAEV能更好地表征桥梁状态的变化,以DAEV为输入的机器学习模型损伤识别能力更强;对于早期损伤,以DAEV特征为输入的模型识别准确率比以MPCA特征向量为输入的模型高38%~79%。
